TomaDeDecisiones II

Capítulo 3
TEORÍA DE DECISIONES
3.1. CARACTERÍSTICAS GENERALES

En las actividades diarias ya sea personales o profesionales, todos necesitamos tomar decisiones, en las
cuales por supuesto no se sabe si la decisión tomada fue la mejor, hasta que se haya obtenido un resul-
tado. La teoría de decisiones es una herramienta que mediante diversos enfoques ayuda a obtener una
decisión recomendada. Es decir se ocupa de decisiones contra la naturaleza en donde el resultado o ren-
dimiento al tomar una decisión, depende de la incertidumbre del problema al cual suele denominarse
estado de la naturaleza, sobre el cual no se tiene control. Por ejemplo, si la decisión consiste en llevar o
no paraguas, el rendimiento (mojarse o no) dependerá del estado de la naturaleza (llueve o no). Es im-
portante mencionar que en este modelo los rendimientos afectan únicamente al que toma la decisión. A
la naturaleza no le importa cuál es el resultado.
En los modelos de la teoría de decisiones, la pieza fundamental de información es la tabla de retribu-

ciones, Como se observa en la tabla 3.1. Las decisiones alternativas están numeradas en un lado de la
tabla y los posibles estados de la naturaleza están indicados en la parte superior. Las entradas del cuerpo
de la tabla son las retribuciones o pagos para todas las combinaciones posibles de decisiones y estados
de la naturaleza. El proceso de decisión es como sigue:
1. Quien toma la decisión, selecciona una de las alternativas de decisión D 1 , D 2 ,. . ., D m .
2. Una vez tomada la decisión, puede ocurrir un estado de la naturaleza E 1 , E 2 ,. . ., E n , que queda fuera
de control de quien toma la decisión.
3. El rendimiento que se reciba puede ser determinado a partir de la tabla de retribuciones. Supo-
niendo que se toma la decisión D 2 y ocurre el estado de la naturaleza E 3 , el resultado es R 23 .
Alternativa Estado de la naturaleza

de decisión E1 E2 ··· En
D1 R 11 R 12 · · · R 1n
D2 R 21 R 22 · · · R 2n
.. .. .. .. ..
. . . . .
Dm R m1 R m2 · · · R mn
Tabla 3.1: Tabla de rendimientos o pagos.
donde:
D 1 , D 2 , . . ., D m , representa el número de decisión tomada.
97
98 CAPÍTULO 3. TEORÍA DE DECISIONES
E 1 , E 2 , . . ., E n , representa el estado de la naturaleza que haya sucedido.

R 11 , R 12 , . . ., R mn , representa el rendimiento obtenido.
La decisión se toma primero y después ocurre uno de los estados de la naturaleza. Una vez tomada la
decisión, solamente queda esperar si fue la mejor hasta que haya ocurrido el estado de la naturaleza. En
general lo ideal sería tomar la decisión que arroje el mayor rendimiento. Es aqui en donde los métodos
de la teoría de decisiones ayudarán a que esa decisión se acerque en tanto sea posible a la mejor decisión
recomendada.
3.2. CRITERIOS DE DECISIÓN DETERMINÍSTICOS Y PROBABILÍSTICOS

Existen tres clases de modelos de decisión contra la naturaleza. Cada clase está definida por una su-
posición acerca del comportamiento de la naturaleza. Las tres clases son: decisiones bajo certidumbre,
decisiones bajo incertidumbre y decisiones bajo riesgo.
3.2.1. Decisiones bajo certidumbre

Son aquellas en la que se sabe cuál es el estado de la naturaleza que va a ocurrir. De manera alternativa,
se puede pensar en ella como un caso con un solo estado de la naturaleza. Todos los modelos determi-
nísticos como son los de: programación lineal, programación por metas, redes de optimización, cantidad
económica del pedido, entre otros pueden considerarse como decisiones contra la naturaleza debido a
que solo hay un estado de la naturaleza. Esto es así dado que existe la certeza dentro del contexto, del
modelo del rendimiento que se obtendrá para cada decisión que se tome.
3.2.2. Decisiones bajo incertidumbre

En este tipo de decisiones se tiene más de un estado de la naturaleza, pero quien toma la decisión no co-
noce o no desea usar las probabilidades de los diferentes resultados que puedan ocurrir. Considerando
enfoques en la toma de decisiones en la que se analiza el mejor y el peor caso. Debido a que en ocasiones
criterios diferentes conducen a diferentes recomendaciones, el tomador de decisiones necesita entender
los criterios disponibles y luego seleccionar el criterio específico que de acuerdo con su juicio sea el más
apropiado. Para ejemplificar estos criterios se tiene el siguiente ejemplo.
Ejemplo 3.1 El Sr. Josué Gómez es propietario de la tortilleria la Pimienta, surte tortillas diariamen-
te a 90 tiendas de conveniencia en empaques de medio kilogramo. El costo de producción es de $5 por
pieza y el precio de venta es de $7 por pieza. El problema de Josué Gómez es decidir el número de piezas
a entregar en un día normal, ya que si entrega más piezas de las que la tienda de conveniencia vende,
el excedente le es devuelto y por medio de cierto reproceso puede recuperar $3.5 por pieza. Si no entre-
ga suficientes piezas, él estima que incurre en un costo de oportunidad de $1.5 por pieza. Según datos
estadísticos de una de las tiendas la demanda de tortillas es la que se muestra en la tabla 3.2.
Demanda (piezas) Probabilidad

9 0.15
10 0.2
11 0.25
12 0.25
13 0.15
Tabla 3.2: Demanda en empaques de medio kilo.

3.2. CRITERIOS DE DECISIÓN DETERMINÍSTICOS Y PROBABILÍSTICOS 99
En este módelo, cada uno de los 5 diferentes valores de la demanda es un estado de la naturaleza y el nú-
mero de piezas a surtir es la decisión. La tabla de rendimientos se puede calcular de la siguiente manera:
Sea i igual al número de piezas a surtir y j el número de piezas de demanda.
(
2i − 1.5( j − i ), Si i ≤ j
Ri j =
7 j + 3.5(i − j ) − 5i , Si i > j
La tabla de rendimientos resultante se muestra en la tabla 3.3
Decisión Estado de la naturaleza (demanda)

(Surtir) E 1 = 9 E 2 = 10 E 3 = 11 E 4 = 12 E 5 = 13
D1 = 9 18 16.5 15 13.5 12
D 2 = 10 16.5 20 18.5 17 15.5
D 3 = 11 15 18.5 22 20.5 19
D 4 = 12 13.5 17 20.5 24 22.5
D 5 = 13 12 15.5 19 22.5 26
Tabla 3.3: Tabla de rendimientos.
A continuación se presentan los diferentes criterios que pueden servir para tomar la mejor decisión o
bien recomendar la decisión a seleccionar.
Criterio optimista:
Evalúa cada alternativa de decisión en función del mejor resultado que pueda ocurrir. La alternativa de
decisión que se recomienda es la que da el mejor resultado posible. Para un problema en el que se desea
la ganancia máxima, el criterio optimista conduciría al tomador de decisiones a elegir la alternativa co-
rrespondiente a la mayor ganancia. Para problemas que implican minimización, este criterio conduce a
elegir la alternativa con el resultado más pequeño. Para un problema de maximización, el criterio opti-
mista a menudo se conoce como enfoque máximax; en un problema de minimización, la terminología
correspondiente es minimin. El resultado de este criterio se muestra en la tabla 3.4.
Decisión Estado de la naturaleza (demanda) Rendimiento

(Surtir) E 1 = 9 E 2 = 10 E 3 = 11 E 4 = 12 E 5 = 13 máximo
D1 = 9 18 16.5 15 13.5 12 18
D 2 = 10 16.5 20 18.5 17 15.5 20
D 3 = 11 15 18.5 22 20.5 19 22
D 4 = 12 13.5 17 20.5 24 22.5 24
D 5 = 13 12 15.5 19 22.5 26 26
Tabla 3.4: Criterio optimista.
Debido a que 26, es el máximo valor de los rendimientos máximos, la alternativa de decisión recomen-
dada es D 5 = 13 piezas a surtir.
Criterio conservador o pesimista:
Evalúa cada alternativa de decisión desde el punto de vista del peor resultado que pueda ocurrir. La alter-
nativa de decisión recomendada es la que proporciona el mejor de los peores resultados posibles. Para un
problema en el que la medida de salida es la ganancia, el criterio conservador conduciría al tomador de
decisiones, a elegir la alternativa que maximiza la ganancia mínima posible que podría obtenerse. Para
problemas que implican minimización, este criterio identifica la alternativa que minimizará el resultado
máximo. El resultado de este criterio se muestra en la tabla 3.5.
Decisión Estado de la naturaleza (demanda) Rendimiento

(Surtir) E 1 = 9 E 2 = 10 E 3 = 11 E 4 = 12 E 5 = 13 mínimo
D1 = 9 18 16.5 15 13.5 12 12
D 2 = 10 16.5 20 18.5 17 15.5 15.5
D 3 = 11 15 18.5 22 20.5 19 15
D 4 = 12 13.5 17 20.5 24 22.5 13.5
D 5 = 13 12 15.5 19 22.5 26 12
Tabla 3.5: Criterio pesimista.
Debido a que 15.5, es el máximo valor de los rendimientos mínimos, la alternativa de decisión recomen-
dada es D 2 = 10 piezas a surtir.
Criterio minimax de arrepentimiento:
Es un criterio para la toma de decisiones que no es ni totalmente optimista ni totalmente conservador.

El arrepentimiento se refiere a la diferencia entre el mejor valor de R i j para cada estado de la naturale-
za E j y cada una de los rendimientos obtenidos al seleccionar las alternativas de decisión D i . También
puede considerarse como el costo de oportunidad por no elegir la mejor alternativa en un estado de la
naturaleza dado. Se obtiene la matriz de arrepentimiento de la siguiente manera:


para j = 1 hasta n

 © ª
 para i = 1 hasta m calcular el máximo de R i j
Si R i j es de utilidad: © ª


 para i = 1 hasta m a i j = máximo − R i j

siguiente valor de j



para j = 1 hasta n

 © ª
 para i = 1 hasta m calcular el mínimo de R i j
Si R i j es de costo: © ª


 para i = 1 hasta m a i j = R i j − mínimo

siguiente valor de j

Como se trata de una matriz de utilidad, se elige el máximo de cada estado de la naturaleza y se obtiene
la diferencia del máximo de cada columna, menos cada uno de los elementos de la misma. El resultado
de este enfoque se muestra en la tabla 3.6.
Debido a que 4.5, es el mínimo valor de los máximos arrepentimientos, la alternativa de decisión reco-
mendada es D 4 = 12 piezas a surtir.
Decisión Estado de la naturaleza (demanda) Máximo

(Surtir) E 1 = 9 E 2 = 10 E 3 = 11 E 4 = 12 E 5 = 13 arrepentimiento
D1 = 9 0 3.5 7 10.5 14 14
D 2 = 10 1.5 0 3.5 7 10.5 10.5
D 3 = 11 3 1.5 0 3.5 7 7
D 4 = 12 4.5 3 1.5 0 3.5 4.5
D 5 = 13 6 4.5 3 1.5 0 6
Tabla 3.6: Criterio minimax de arrepentimiento.
Criterio de Laplace:
Es un enfonque que supone que todas las probabilidades de ocurrencia para los estados de la natura-
leza son las mismas y con ello cada estado de la naturaleza tiene probabilidades iguales. Si R i j representa
una matriz de utilidad, la decisión recomendada será la alternativa que arroje el mayor promedio. Si R i j
representa una matriz de costo, la decisión recomendada será la alternativa que arroje el menor prome-
dio. La fórmula del promedio es:
( )
1 X n
Max o min Ri j i = 1, 2, . . . , m
n j =1
El resultado de este criterio se muestra en la tabla 3.7.
Decisión Estado de la naturaleza (demanda)

Promedio
(Surtir) E 1 = 9 E 2 = 10 E 3 = 11 E 4 = 12 E 5 = 13
D1 = 9 18 16.5 15 13.5 12 15
D 2 = 10 16.5 20 18.5 17 15.5 17.5
D 3 = 11 15 18.5 22 20.5 19 19
D 4 = 12 13.5 17 20.5 24 22.5 19.5
D 5 = 13 12 15.5 19 22.5 26 19
Tabla 3.7: Criterio de Laplace.
Debido a que 19.5, es el máximo valor de los promedios, la alternativa de decisión recomendada es
D 4 = 12 piezas a surtir.
Enfoque de Hurwicz:
Con este criterio la idea es combinar los criterios pesimista y optimista, donde se usa α como índice de
optimismo. Si α = 0 el criterio es conservador porque es equivalente a aplicar el criterio mínimax regular.
Si α = 1 el criterio genera resultados optimistas porque es equivalente a aplicar la mejor de las mejores
condiciones. Se puede ajustar el grado de optimismo o pesimismo a través de una selección apropiada
del valor de α que estará entre cero y uno. En ausencia de una fuerte opinión con respecto al optimismo
o pesimismo, α = 0.5 será una elección apropiada. Calcular para cada alternativa de decisión.
(
utilidad = α ∗ utilidad máxima + (1 − α) ∗ utilidad mínima
Si R i j es de utilidad:
seleccionar la alternativa de mayor utilidad
(
costo = α ∗ costo mínimo + (1 − α) ∗ costo máximo
Si R i j es de costo:
seleccionar la alternativa de menor costo
El resultado de este criterio con α = 0.5 se muestra en la tabla 3.8.
Decisión Estado de la naturaleza (demanda) utilidad utilidad utilidad

(Surtir) E 1 = 9 E 2 = 10 E 3 = 11 E 4 = 12 E 5 = 13 máxima mínima ponderada
D1 = 9 18 16.5 15 13.5 12 18 12 15
D 2 = 10 16.5 20 18.5 17 15.5 20 15.5 17.75
D 3 = 11 15 18.5 22 20.5 19 22 15 18.5
D 4 = 12 13.5 17 20.5 24 22.5 24 13.5 18.75
D 5 = 13 12 15.5 19 22.5 26 26 12 19
Tabla 3.8: Criterio de Hurwicz.
Debido a que 19, es el máximo valor ponderado, la alternativa de decisión recomendada es D 5 = 13 pie-
zas a surtir.
A continuación se hará un análisis en el que se tomarán valores de α desde cero, hasta uno con incre-
mentos de una décima y observar el efecto que tiene α en la decisión recomendada. Para ello la utilidad
ponderada se escribe en función de α, obteniendo las siguientes ecuaciones.
D 1 = 18α + 12(1 − α) = 6α + 12
D 2 = 20α + 15.5(1 − α) = 4.5α + 15.5
D 3 = 22α + 15(1 − α) = 7α + 15
D 4 = 24α + 13.5(1 − α) = 10.5α + 13.5
D 5 = 26α + 12(1 − α) = 14α + 12
En la tabla 3.9 se obtiene la decisión recomendada para diferentes valores de α.
Decisión Valores de α
(Surtir) 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
D1 = 9 12 12.6 13.2 13.8 14.4 15 15.6 16.2 16.8 17.4 18
D 2 = 10 15.5 15.95 16.4 16.85 17.3 17.75 18.2 18.65 19.1 19.55 20
D 3 = 11 15 15.7 16.4 17.1 17.8 18.5 19.2 19.9 20.6 21.3 22
D 4 = 12 13.5 14.55 15.6 16.65 17.7 18.75 19.8 20.85 21.9 22.95 24
D 5 = 13 12 13.4 14.8 16.2 17.6 19 20.4 21.8 23.2 24.6 26
Decisión
2 2 2o3 3 3 5 5 5 5 5 5
recomendada
Tabla 3.9: Criterio de Hurwicz para diferentes valores de α.
Se puede observar en la tabla 3.9, que para α = 0, este criterio corresponde al pesimista, pues la utilidad
ponderada es igual a la utilidad mínima. De igual manera, si α = 1, este criterio corresponde al optimista,
pues la utilidad ponderada es igual a la utilidad máxima. Entonces cuanto más cerca de cero se elija el
valor de α, más pesimista será el criterio que se esté utilizando para tomar la decición; al contrario cuanto
más cerca de uno se elija el valor de α, más optimista será el criterio para tomar la decición. En la tabla
3.9 se puede ver que para los valores de α de 0, 0.1 y 0.2, se elige la alternativa D 2 ; para valores de α de
0.2, 0.3 y 0.4, se elige la alternativa D 3 y para los valores de α de 0.5 hasta 1, se elige la alternativa D 5 .
Sin embargo dado que α es un valor continuo por lo tanto está definido para cualquier valor fraccionario
entre cero y uno, entonces los intervalos cambian a: todos los valores de α que se encuentren entre 0 y
0.2, se elige la alternativa D 2 ; para valores de α entre 0.2 y 3/7, se elige la alternativa D 3 ; para el valor de
α = 3/7, se elige la alternativa D 4 y para valores de α entre 3/7 y 1, se elige la alternativa D 5 .
3.2.3. Decisiones bajo riesgo

Una falta de certidumbre respecto a los eventos futuros es una característica de muchos, si no es que de la
mayoría de los modelos de decisiones administrativas. La teoría de decisiones proporciona procedimien-
tos alternativos para modelos que tienen menos de una total certidumbre. Uno de esos procedimientos
se llama decisiones bajo riesgo. En este contexto, el término riesgo tiene un significado bien definido.
Cuando se habla de decisiones bajo riesgo, se refiere a una clase de modelos de decisión para lo cual hay
más de un estado de la naturaleza y que quien toma la decisión puede llegar a una estimación de pro-
babilidades de la ocurrencia de cada uno de los diversos estados de la naturaleza. En la mayoría de las
situaciones de toma de decisiones se puede obtener estimaciones de probabilidades para cada uno de
los estados de la naturaleza. Cuando estas probabilidades están disponibles, se puede utilizar el criterio
del valor esperado para identificar cuál es la alternativa de decisión a elegir.
Sea:
n = número de estados de la naturaleza.

P (S j ) = probabilidad del estado de la naturaleza S j .
P (S j ) ≥ 0
Pn
j =1 P (S j ) = 1
El valor esperado(V E ) de la alternativa de decisión D i se calcula con la fórmula:

n
X
V E (D i ) = P (S j )R i j para i = 1, 2, . . . , m
j =1
El valor esperado de una alternativa de decisión es la suma de los pagos ponderados correspondientes a
la alternativa de decisión. La ponderación para un pago es la probabilidad de que dicho pago ocurra.
Utilizar el criterio bajo riesgo para el problema de la tortillería Pimienta, el cálculo de la ganacia espe-
rada para cada altervativa de decisión se realiza de la siguiente manera:
V E (D 1 ) = 0.15 ∗ 18 + 0.2 ∗ 16.5 + 0.25 ∗ 15 + 0.25 ∗ 13.5 + 0.15 ∗ 12 = 14.925

V E (D 2 ) = 0.15 ∗ 16.5 + 0.2 ∗ 20 + 0.25 ∗ 18.5 + 0.25 ∗ 17 + 0.15 ∗ 15.5 = 17.675
V E (D 3 ) = 0.15 ∗ 15 + 0.2 ∗ 18.5 + 0.25 ∗ 22 + 0.25 ∗ 20.5 + 0.15 ∗ 19 = 19.425
V E (D 4 ) = 0.15 ∗ 13.5 + 0.2 ∗ 17 + 0.25 ∗ 20.5 + 0.25 ∗ 24 + 0.15 ∗ 22.5 = 19.925
V E (D 5 ) = 0.15 ∗ 12 + 0.2 ∗ 15.5 + 0.25 ∗ 19 + 0.25 ∗ 22.5 + 0.15 ∗ 26 = 19.175
Debido a que 19.925, es el máximo valor esperado, la alternativa de decisión recomendada es D 4 = 12

piezas a surtir.
En la tabla 3.10 se presenta un resumen de los diferentes criterios que se han utilizado para ayudar a
tomar un decisión final al ejemplo 1.1.
Segun la tabla 3.10 la alternativa de decisión que aparece con más frecuencia es D 4 = 12, le sigue D 5 = 13
y por último D 2 = 10. Por lo que podría recomerdarse la de D 4 = 12 piezas a surtir a la tienda que se ha
Criterio Decisión recomendada

Optimista D 5 = 13 piezas a surtir
Pesimista D 2 = 10 piezas a surtir
Minimax de arrepentimiento D 4 = 12 piezas a surtir
Laplace D 4 = 12 piezas a surtir
Hurwicz con α = 0.5 D 5 = 13 piezas a surtir
Valor esperado D 4 = 12 piezas a surtir
Tabla 3.10: Resumen de las decisiones de cada criterio.
seleccionado en el análisis de decisiones.
Ejemplo 3.2 El Sr. Josué Gómez está estudiando la posibilidad de ampliar la tortilleria, debido a la
creciente demanda de tortillas que tiene con la tiendas de conveniencia. Para ello está analizando tres
alternativas de decisión. La primera alternativa consiste en ampliar las instalaciones actuales, el cual
estima que será necesario de una inversión inicial de $500,000 para ampliación del edificio y compra de
equipo para tres máquinas tortilladoras; la segunda alternativa es adquirir equipo para dos máquinas
tortilladoras más, con una inversión inicial de $290,000 y la tercer alternativa es adquirir equipo para una
máquina tortilladora más, con una inversión inicial de $150,000. Los beneficios anuales netos adicionales
estimados y las probabilidades de cada estado de la naturaleza se muestran en la tabla 3.11.
Estado de la naturaleza
Alternativa de decisión
E 1 = Demanda baja E 2 = Demanda alta
D 1 = comprar 3 tortilladoras 262,500 325,000
D 3 = comprar 1 tortilladora 200,000 212,500
Probabilidades previas 0.25 0.75
Tabla 3.11: Tabla de beneficios adicionales.
El valor presente neto considerando una tasa de descuento igual a la de los CETES de 8 % anual y un
horizonte de planeación de 5 años, el factor para calcular el valor presente neto es (P /A, 8 %, 5) = 4. Por lo
que se usará para determinar los rendimientos, por ejemplo para la alternativa de decisión D 1 y el estado
de la naturaleza E 1 se tiene 262, 500∗4−500, 000 = 550, 000, para E 2 se tiene 325, 000∗4−500, 000 = 800, 000
y de la misma manera se calcula para D 2 y D 3 , como se muestra en la tabla 3.12.
E 1 = Demanda baja E 2 = Demanda alta
D 3 = comprar 1 tortilladora 650,000 700,000
Tabla 3.12: Tabla de rendimientos del ejercicio 3.2.
Cálculo del Valor Esperado para cada alternativa de decisión.
V E (D 1 ) = 0.25 ∗ 550, 000 + 0.75 ∗ 800, 000 = 737, 500

V E (D 2 ) = 0.25 ∗ 635, 000 + 0.75 ∗ 760, 000 = 728, 750
3.3. VALOR ESPERADO DE LA INFORMACIÓN PERFECTA 105
V E (D 3 ) = 0.25 ∗ 650, 000 + 0.75 ∗ 700, 000 = 687, 500
Por lo que utilizando el criterio del valor esperado, se encuentra que realizar la ampliación y comprar
tres máquinas tortilladoras, con un valor esperado de $737,500; es la decisión recomendada.
3.3. VALOR ESPERADO DE LA INFORMACIÓN PERFECTA

Las probabilidades utilizadas para calcular el valor esperado, se denominan probabilidades previas para
indicar que representan probabilidades establecidas antes de obtener información adicional por medio
de investigación de mercados, experimentos o muestreo. El valor esperado con información perfecta
(V Ec I P ) es el rendimiento promedio o esperado, a largo plazo, si se cuenta con información perfecta
antes de tomar una decisión. Para calcular este valor se elige la mejor alternativa para cada estado de
la naturaleza y se multiplica el rendimiento R i j por la probabilidad de ocurrencia de ese estado de la
naturaleza E j .
n ¡
X ¢
V Ec I P = (mejor rendimiento de E j )(probabilidad de E j )
j =1
El valor esperado sin información perfecta (V E sI P ) es el valor esperado que se obtiene usando las proba-
bilidades previas, entonces el valor esperado de la información perfecta (V E I P ) se obtiene de la siguiente
forma;
V E I P = V Ec I P − V E sI P
Del ejemplo 3.2, suponga que el Sr. Gómez tiene la oportunidad de llevar a cabo un estudio de investi-
gación de mercados que le ayudaría a evaluar la demanda futura de la venta de tortillas y proporcionar
información que podría usarla para mejorar las evaluaciones de probabilidad para los estados de la na-
turaleza. Para determinar el valor potencial de esta información, se empieza suponiendo que el estudio
podría brindar información perfecta respecto a los estados de la naturaleza; es decir se supone que se
podría determinar con certeza, antes de tomar una decisión, cuál estado de la naturaleza va a ocurrir.
Para usar esta información perfecta, se elabora la estrategia de decisión que el Sr. Gómez seguirá una vez
que supiera cuál estado de la naturaleza debe ocurrir.
Si se supiera con certeza que ocurrirá el estado de la naturaleza E 1 , la mejor alternativa de decisión sería
D 3 , con un rendimiento de $650,000. De manera similar si se supiera con certeza que el estado de la na-
turaleza E 2 va a ocurrir, la mejor alternativa de decisión sería D 1 con un rendimiento de $800,000. Por lo
que se puede establecer la estrategia de decisión con base a la información perfecta como sigue:
Si ocurre E 1 , seleccionar D 3 y recibe un rendimiento de $650,000. Si ocurre E 2 , seleccionar D 1 y reci-

be un rendimiento de $800,000.
Para calcular el valor esperado con información perfecta (V Ec I P ), se usan las probabilidades P (E 1 ) =
0.25 y P (E 2 ) = 0.75
V Ec I P = 0.25 ∗ 650, 000 + 0.75 ∗ 800, 000 = 762, 500
El valor esperado sin información perfecta es V E sI P = 737, 500. Por consiguiente el valor esperado de la
información perfecta V E I P es:
V E I P = 762, 500 − 737, 500 = 25, 000
De esta manera lo más que el gerente o dueño estaría dispuesto a pagar por información perfecta es
$25,000. También se puede interpretar el V E I P , como una cota superior para la cantidad que el gerente
estaría dispuesto a pagar por cualquier información perfecta o imperfecta. En la sección 3.7 se analizará
el valor de la información imperfecta o también conocida como valor de la información muestral.
3.4. ÁRBOLES DE DECISIÓN

Una forma clara y sencilla de estructurar el proceso de toma de decisiones es por medio de un árbol de
decisión. El árbol de decisión está formado por nodos de decisión que se denotan con un cuadro (),
nodos de probabilidad que se denotan con un circulo (°) y ramas. Los nodos de decisión representarán
aquellos lugares en los que se toma una decisión y los nodos de probabilidad indicarán aquellas partes
del proceso de toma de decisiones en las que ocurre algún estado de la naturaleza. Las ramas se utilizan
para denotar las decisiones o los estados de la naturaleza. También pueden anotarse probabilidades so-
bre las ramas para denotar la probabilidad de que ocurra un estado determinado de la naturaleza. Por
último se colocan los pagos al final de las ramas terminales del estado de la naturaleza para mostrar el
resultado que se obtendría al tomar una decisión particular. Como ejemplo de árbol de decisión, se hará
el árbol del ejemplo 3.2. Este árbol de decisión tiene cuatro nodos, numerados del 1 al 4. El nodo 1 es de
decisión y los nodos 2, 3 y 4 son de probabilidad. Las ramas que conectan los nodos y que salen del nodo
de decisión corresponden a las alternativas de decisión. Las ramas que salen de cada nodo de probabi-
lidad corresponden a los estados de la naturaleza. Los resultados se muestran al final de las ramas del
estado de la naturaleza.
Figura 3.1: Árbol de decisión para el ejemplo 3.2
Una de las ventajas que tiene el árbol de decisiones es que permite hallar el valor esperado en el propio
árbol y de esta manera es fácil visualizar cual es la alternativa de decisión recomendada, como se muestra
en la figura 3.1.
Ejemplo 3.3 La constructora Jatate está planeando comprar terrenos para construir casas de interés
medio y necesita determinar el tamaño del proyecto que le permita obtener la máxima ganancia. Esta
considerando tres tamaños: pequeño, mediano y grande. La gerencia considera que un desarrollo gran-
de seguido por una baja demanda, podría resultar muy costoso para la empresa. Sin embargo si se toma
una decisión conservadora de un desarrollo pequeño y a continuación se encuentra ante una demanda
elevada, las utilidades de la empresa serán inferiores a las que podrían haber sido. Con 3 niveles de de-
manda: baja, media y alta, la gerencia ha presupuestado la siguiente tabla de rendimientos (en millones
de pesos). Con la ayuda de un árbol de decisiones, determinar la alternativa recomendada por medio del
criterio del valor esperado.
3.5. TEORÍA DE UTILIDAD 107
Estado de la naturaleza (demanda)

Baja (E 1 ) Media (E 2 ) Alta (E 3 )
D 1 = Pequeño 15 18 25
D 2 = Mediano 10 35 40
D 3 = Grande −10 30 70
Probalidades previas 0.2 0.3 0.5
Tabla 3.13: Tabla de rendimientos del ejemplo 3.3.
La solución se muestra en la figura 3.2, en donde la selección recomendada es construir un desarrollo

grande con un valor esperado de 42 millones de pesos.
3.5. TEORÍA DE UTILIDAD

En el análisis de decisiones que se ha efectuado hasta ahora, la elección recomendada para la alternativa
de decisión es aquella que maximiza el valor esperado. En la mayoría de los casos el mejor valor espe-
rado puede conducir a una decisión aceptable, pero en algunos casos, puede que no sea el apropiado.
Por ejemplo, la mayoría de las personas sabe que el valor esperado de cualquier juego de loteria nacional
o rifas caseras tiene un valor esperado negativo (de lo contrario los organizadores de estos eventos no
ganarían dinero). Entonces si la gente tomara la decisión con base al valor esperado para jugar o no a la
loteria, es muy probable que no lo hiciera. Sin embargo la gente juega a la loteria porque está dispuesta
a correr una alta probabilidad de perder una relativa cantidad pequeña de dinero por una muy pequeña
posibilidad de ganar una gran cantidad de dinero. Otro ejemplo podría ser el hecho de comprar un segu-
ro de automóvil. De igual manera el valor esperado es negativo (de lo contrario las compañias de seguros
no tendrían utilidades). En este caso, las personas están dispuestas a pagar una prima por el seguro a
correr el riesgo de tener una colisión sin estar asegurado y por lo tanto gastar una suma mucho mayor de
lo que cuesta el seguro del automóvil.
¿Por qué algunas personas toman decisiones que no maximizan el valor esperado? La respuesta es que la
gente tiene diferentes valores monetarios, es decir para algunos perder 100 pesos en la compra de un bo-
leto de loteria es relativamente pequeño, en comparación con el valor de una remota ganancia, mientras
que para otros perder 100 pesos es mucho mayor que el valor de una remota ganancia. Esta diferencia
indica que las personas dán un valor al dinero de manera diferente, basados de acuerdo a sus preferen-
cias personales.
La utilidad es una medida del valor total de un resultado en particular; refleja la actitud de quien to-
ma las decisiones hacia un conjunto de factores como utilidad, pérdida y riesgo. Los investigadores han
encontrado que siempre que los valores monetarios de los pagos queden en un rango razonable, para
quien toma las decisiones, la selección de la alternativa de decisión con el mejor valor monetario espe-
rado por lo general lleva a la selección de la decisión más preferida. Sin embargo, cuando los pagos se
hacen extremos, la mayor parte de quienes toman las decisiones no quedan satisfechos con la decisión
que simplemente proporcione el mejor valor monetario esperado.
Como ejemplo de una situación en que la utilidad puede ayudar a seleccionar la mejor alternativa de
decisión, resolver el siguiente ejemplo.
Ejemplo 3.4 Con los datos del ejemplo 3.3, mostrados en la tabla 3.13, resolverlo creando una fun-
ción de utilidad.
Cálculo del Valor Esperado para cada alternativa de decisión:

V E (D 1 ) = 0.2 ∗ 15 + 0.3 ∗ 18 + 0.5 ∗ 25 = 20.9
V E (D 2 ) = 0.2 ∗ 10 + 0.3 ∗ 35 + 0.5 ∗ 40 = 32.5
V E (D 3 ) = 0.2 ∗ (−10) + 0.3 ∗ 30 + 0.5 ∗ 70 = 42.0
Utilizando el criterio del valor esperado, la decisión recomendada es seleccionar un tamaño de proyeto
grande con un valor esperado de 42 millones de pesos. ¿Será realmente la mejor alternativa de decisión?
Consideremos el escenario de que se toma esta alternativa de decisión y la demanda es baja, habría que
preguntarle al gerente de la constructora si la empresa está preparada para adsorver una posible pérdida
de 10 millones de pesos.
Crear y utilizar una función de utilidad U (x).
Para crear una función de utilidad, primero se debe asociar a cada ganancia de la tabla 3.11, una utilidad
en forma de valor numérico que refleje las preferencias relativas de la gerencia. Esto se elabora seleccio-
nando arbitrariamente los puntos extremos de la función de utilidad. Puede asignarse a la utilidad del
rendimiento mínimo en pesos igual a 0 y a la utilidad del rendimiento máximo igual a 100. Dado que en
este ejemplo el rendimiento mínimo es de −$10 millones y el rendimiento máximo es de $70 millones,
se determina que U (−10) = 0 y U (70) = 100. Para determinar la utilidad de cualquier cantidad de dinero
entre −$10 y $70 se necesita saber cómo el gerente valora por ejemplo $40 millones con respecto a la
menor ganancia de −$10 millones y con respecto a la mayor ganancia de $70 millones.
La función de utilidad se elabora preguntando al tomador de decisiones, considerando U (−10) = 0 y
U (70) = 100. Con base a estos valores se determina ahora la utilidad asociada con todos los demás pa-
gos, empezando con U (40). Por lo que se le solicita al tomador de decisiones que seleccione con una
probabilidad p que le resulte indiferente entre las siguientes alternativas.
1. Recibir un pago con certeza de $40.
2. Participar en una lotería en la cual, con una probabilidad p él recibe un pago de $70, o con proba-
bilidad (1 − p) recibe un pago de −$10.
Esto se puede presentar con un árbol de decisión, como se muestra en la figura 3.3.
Figura 3.3: Juego a la loteria para la evaluación de la utilidad
Es obvio que si p = 1, quien toma la decisión seleccionará la alternativa 2, ya que prefiere un pago de $70 a
un pago de $40. Igualmente es obvio que si p = 0, seleccionará la alternativa 1, dado que deseará un pago
con certeza de $40 en vez de una pérdida de $10. De esta manera se siguen cambiando los valores de p de
manera continua de 0 a 1, la preferencia del pago garantizado de $40 en algún momento cambiará a una
preferencia hacia la lotería. Entonces en algún valor de p al tomador de decisiones le resulta indiferente
cualquiera de las dos alternativas. Este valor variará de una persona a otra dependiendo de lo amante o
adverso que sea al riesgo. Por ejemplo, suponga que el tomador de decisiones elige que p = 0.6, el valor
esperado de la lotería es de 0.6 ∗ 70 + 0.4 ∗ (−10) = 38. Es decir está expresando indiferencia entre un
pago con certeza de 40 y arriesgar un valor esperado menor, como es el de 38. Lo cual significa que está
buscando el riesgo, ya que requiere de un pago con certeza más alto que el rendimiento esperado, esto
para compensar la pérdida de la posibilidad de lograr más que el rendimiento esperado. Ahora suponer
que el tomador de decisiones elige p = 0.9, entonces el valor esperado de la lotería es 0.9 ∗ 70 + 0.1 ∗
(−10) = 62. Esto significa que es adverso al riesgo, ya que requiere un valor esperado más alto que el
pago con certeza, para compensar el riesgo de la lotería. Entre más alto sea el valor de p que se elija,
más adverso al riesgo será, dado que requiere un valor esperado más alto de la lotería para compensar
el riesgo. A continuación se desarrolla una ecuación para hallar el valor de p, para cualquier valor con
certeza, igualando ambas alternativas y despejando p.
Alternativa 2 = Alternativa 1
V E (loteria) = pago con certeza
p(70) + 10p − 10 = pago con certeza
70p + 10p − 10 = pago con certeza
80p = 10 + pago con certeza
10 + pago con certeza
p=
80
Para el pago de $40, p = 10+40

80 = 0.625 se encuentra el valor de p en el cuál el valor esperado de la lotería
iguala al pago seguro de $40. Si el tomador de decisiones elige un valor de p mayor que 0.625, es adverso
al riesgo; igual a 0.625, indiferente al riesgo y menor que 0.625, buscador de riesgo. En la tabla 3.14 se
obtienen los valores de p para cada pago, en el que el VE(loteria) es igual al pago con certeza y por lo
tanto el tomador de decisiones es neutral al riesgo.
Repitiendo el mismo procedimiento para todos los pagos y tomando como referencia la tabla 3.14 se
obtiene función de utilidad. Por ejemplo para un pago de $35, el valor de p en la tabla 3.14 es 0.5625,
si el tomador de decisiones es abverso al riesgo seleccionará un valor de p mayor que 0.5625, dado que
Pago valor de p
70 1
40 0.625
35 0.5625
30 0.5
25 0.4375
18 0.35
15 0.3125
10 0.25
-10 0
Tabla 3.14: Valor de p para tomadores de decisión neutrales al riesgo.
valor de p < 0.5625 arroja un valor esperado de la loteria menor que $35. Y si el tomador de decisiones
es propenso al riesgo seleccionará un valor de p menor que 0.5625 dado que está dispuesto a arresgar
a ganar $70 y por supuesto perder $10. Suponer que el tomador de decisiones selecciona un valor de
p = 0.85 para un pago de $35. Ahora se puede determinar la utilidad para cualquier pago de la siguiente
manera:
U (pago) = pU (70) + (1 − p)U (−10)

= p(100) + (1 − p)(0)
= 100p
Entonces para un valor de p = 0.85, se tiene que U (35) = 100 ∗ 0.85 = 85. Utilizando este procedimiento,
se obtienen los valores de la utilidad para todos los demás pagos del ejemplo 3.4. Esto de presenta en la
tabla 3.15
Pago Indiferencia p Utilidad (100p)

70 − 100
40 0.90 90
35 0.85 85
30 0.80 80
25 0.75 75
18 0.65 65
15 0.50 50
10 0.30 30
-10 − 0
Tabla 3.15: Utilidades asociadas a una persona adversa al riesgo.
Ahora que se ha determinado el valor de utilidad de cada uno de los pagos posibles, se escribe la tabla de
pagos del ejemplo 3.4 en función de valores de la utilidad, como se muestra en la tabla 3.16 y se calcula
la utilidad esperada para cada alternativa de decisión:
U E (D 1 ) = 0.2 ∗ 50 + 0.3 ∗ 65 + 0.5 ∗ 75 = 67.0

U E (D 2 ) = 0.2 ∗ 30 + 0.3 ∗ 85 + 0.5 ∗ 90 = 76.5
U E (D 3 ) = 0.2 ∗ 0 + 0.3 ∗ 80 + 0.5 ∗ 100 = 74.0
Alternativa de decisión Demanda

Baja (E 1 ) Media (E 2 ) Alta (E 3 )
D 1 = Pequeño 50 65 75
D 2 = Mediano 30 85 90
D 3 = Grande 0 80 100
Tabla 3.16: Tabla de utilidades para una persona aversa al riesgo.
Basándose en los resultados de la utilidad esperada, la decisión recomendada es D 2 , que consiste en

construir un tamaño de proyecto mediano, con una utilidad esperada de 76.5. Observar que esta decisión
es diferente de la alternativa recomendada, bajo el criterio del valor esperado. Este cambio de decisión
se debe a que el tomador de decisiones es más conservador en sus decisiones.
Utilizando el procedimiento que se aplicó para una persona adversa al riesgo, se determina la función
de utilidad, para una persona que es buscadora de riesgo, obteniendo los valores de la utilidad en la tabla
3.17
Pago Indiferencia p Utilidad (100p)

70 − 100
40 0.50 50
35 0.45 45
30 0.35 35
25 0.25 25
18 0.20 20
15 0.15 15
10 0.10 10
-10 − 0
Tabla 3.17: Utilidades asociadas a una persona buscadora de riesgo.
Gráfica de la función de utilidad.
Para una mejor comprensión del significado de las utilidades, se dibuja una gráfica de utilidades con-
tra los pagos. Esto se muestra en la figura 3.4 para los nueve pagos y utilidades de las tablas 3.15 y 3.17,
concluyendose lo siguiente:
1. Un tomador de decisiones que es neutral al riesgo, la función de utilidad de esta persona está re-
presentada por la línea recta.
2. Un tomador de decisiones que es adverso al riesgo, la función de utilidad de esta persona se en-
cuentra por encima de la linea recta y la curva es cóncava, lo cual significa que la persona tiene una
tendencia de inversión conservadora.
3. Un tomador de decisiones que es buscador de riesgo, la función de utilidad de esta persona se

encuentra por debajo de la linea recta y la curva es convexa, lo cual significa que la persona tiene
una tendencia de inversión relativamente agresiva.
Figura 3.4: Gráfica de la función de utilidad
3.6. ANÁLISIS DE SENSIBILIDAD
El análisis de sensibilidad trata de investigar de qué manera cambia la decisión, dado un cambio en los
datos del problema. Modificaciones en las estimaciones de probabilidad para los estados de la naturale-
za pueden afectar la alternativa de decisión recomendada. Un acercamiento al análisis de sensibilidad es
considerando diferentes probabilidades para los estados de la naturaleza y volviendo a calcular el valor
esperado para cada alternativa de decisión. Repitiendo este cálculo para varias probabilidades, se puede
visualizar de qué manera las modificaciones en las probabilidades para los estados de la naturaleza afec-
tan la decisión recomendada. Cuando el problema tiene dos estados de la naturaleza se puede realizar el
análisis por medio de una gráfica como se presenta en el siguiente ejemplo.
Ejemplo 3.5 Realizar una investigación para el ejemplo 3.2 sobre la influencia que tendría un cam-
bio en los valores de probabilidad respecto la decisión que enfrenta el Sr. Gómez.
Sea p = la probabilidad de demanda baja (E 1 ) y como únicamente hay dos estados de naturaleza, 1 − p =
la probabilidad de demanda alta (E 2 ). Ahora se expresan los valores esperados como una función de p,
como se indica en las siguientes ecuaciones:
V E (D 1 ) = p(550, 000) + (1-p)(800, 000)

= 550, 000p + 800, 000 − 800, 000p
= −250, 000p + 800, 000
3.6. ANÁLISIS DE SENSIBILIDAD 113
V E (D 2 ) = p(635, 000) + (1-p)(760, 000)

= 635, 000p + 760, 000 − 760, 000p
= −125, 000p + 760, 000
V E (D 3 ) = p(650, 000) + (1-p)(700, 000)

= 650, 000p + 700, 000 − 700, 000p
= −50, 000p + 700, 000
Ahora se elabora una gráfica con los valores de p sobre el eje horizontal y valores esperados en el eje
vertical. Para cada ecuación lineal se traza la línea recta, identificando dos puntos que satisfagan la ecua-
ción, por ejemplo si p = 0, V E (D 1 ) = 800, 000 y si p = 1, V E (D 1 ) = 550, 000 y se traza la línea recta como
se muestra en la figura 3.5. Esta gráfica está desarrollada con la opción insertar gráficos de línea en Excel.
Debido a que el criterio para tomar una decisión es seleccionar la decisión que tenga el valor esperado
mayor, la figura 3.5 muestra cuál es la decisión recomendada para cualquier valor particular de P (E 1 ).
Por ejemplo para P (E 1 ) = 0.25, la figura 3.5 muestra que V E (D 1 ) > V E (D 2 ) > V E (D 3 ). Por lo tanto como
ya se ha calculado anteriormente, para este valor de P (E 1 ) la decisión recomendada es D 1 . De la misma
manera si P (E 1 ) = 0.6, V E (D 2 ) > V E (D 3 ) > V E (D 1 ) y la decisión recomendada es D 2 .
Figura 3.5: Valor esperado como función de p
Es conveniente y práctico determinar el intervalo de valores de p, para los cuales la decisión recomen-
dada sea D 1 , D 2 o D 3 . Para esto se encuentra el punto en el que se interceptan las líneas rectas haciendo
V E (D 1 ) igual V E (D 2 ) y resolviendo en función de p de la siguiente manera:
V E (D 1 ) = V E (D 2 )
−250, 000p + 800, 000 = −125, 000p + 760, 000
p = 0.32
Punto en el que se interceptan las líneas rectas haciendo V E (D 2 ) igual V E (D 3 ):
V E (D 2 ) = V E (D 3 )
−125, 000p + 760, 000 = −50, 000p + 700, 000
p = 0.8
Intervalo de valores de p Decisión recomendada

p < 0.32 Comprar 3 tortilladoras (D 1 )
0.32 < p < 0.8 Comprar 2 tortilladoras (D 2 )
p > 0.8 Comprar 1 tortilladora (D 3 )
Tabla 3.18: Resultados del análisis de sensibilidad
Los resultados del análisis de sensibilidad se presentan en la tabla 3.18:

El procedimiento gráfico que se acaba de describir, únicamente se aplica cuando se tienen dos estados
de la naturaleza. Sin embargo el análisis de sensibilidad para más de dos estados de la naturaleza se pue-
de realizar usando una hoja de cálculo o programa de computadora.
Ejemplo 3.6 Realizar el análisis de sensibilidad para el ejemplo 3.3 que tiene tres estados de la na-
turaleza, variando los valores de las probabilidades de E 1 y de E 2 y por complemento las probabilidades
de E 3 . Estos cálculos se harán en Excel, de acuerdo a los siguientes pasos:
1. Capturar los datos del problema en el rango de celdas C 4 : I 8.
2. Elaborar una tabla de valores esperados para cada alternativa de decisión D 1 , D 2 y D 3 .
3. En el eje horizontal colocar las probabilidades de E 1 y en el eje vertical las probabilidades de E 2 . En

ambos casos con valor inicial de 0 y valor final de 1, con incrementos de 0.1.
4. Realizar la captura de datos para las probabilidades y valores esperados de la alternativa de decisión
D 1 , en el rango O3 : A A15, como se muestra en la figura 3.6. Introducir la fórmula = $G$6 ∗ $P 5 +
$H $6 ∗ Q$4 + $I $6 ∗ (1 − $P 5 −Q$4) en la celda Q5 y copiarla hasta la celda A A15.
Figura 3.6: Datos del problema y valores esperados de D 1
5. Realizar la captura de datos para las probabilidades y valores esperados de la alternativa de decisión
D 2 , en el rango A18 : M 31 y para la alternativa de decisión D 3 , en el rango O18 : A A31, como se
muestra en la figura 3.7. Introducir la fórmula = $G$7∗$B 21+$H $7∗C $20+$I $7∗(1−$B 21−C $20)
en la celda C 21 y copiarla hasta la celda M 31 e introducir la fórmula = $G$8∗$P 21+$H $8∗Q$20+
$I $8 ∗ (1 − $P 21 −Q$20) en la celda Q21 y copiarla hasta la celda A A31.
6. Realizar el resumen de las decisiones recomendadas en el rango A34 : M 47, como se muestra en la
figura 3.8. Introducir la fórmula = SI (Q5 > C 21, "D1", SI (C 21 > Q21, "D2", "D3")) en la celda C 37 y
copiarla hasta la celda M 47.
3.7. DECISIONES SECUENCIALES 115
Figura 3.7: Valores esperados de D 2 y D 3
Figura 3.8: Decisión recomendada
De la figura 3.8, se puede resumir que de las 121 combinaciones de probabilidades para E 1 , E 2 y E 3 ,
la alternativa de decisión D 1 aparece 27 veces, representando un 22.3 %, la alternativa de decisión D 2
aparece 60 veces, representando un 49.6 % y la alternativa de decisión D 3 aparece 34 veces, representando
un 28.1 %.
3.7. DECISIONES SECUENCIALES

Los problemas de decisión comprenden la toma de una secuencia de decisiones antes de que el proble-
ma sea resuelto. A menudo es posible adquirir más información en la cuál basar la toma de decisiones,
por ejemplo podría ser: experimentación en el laboratorio, ensayos de campo, información muestral, in-
vestigación de mercados, entre otros, antes de tomar una decisión definitiva. El árbol de decisiones es
una herramienta cuando es necesario tomar decisiones secuenciales, al dibujar un árbol, se empieza por
la izquierda y se va desarrollando hacia la derecha. De esta manera el árbol presenta decisiones y resulta-
dos en orden secuencial. Las líneas que salen de los cuadros son los nodos de decisión y representan las
alternativas en la cual se selecciona la que arroje el mejor rendimiento, en tanto que las líneas que salen
de los círculos representan los estados de naturaleza y se obtiene calculando el valor esperado.
Ejemplo 3.7 Mediante los datos del ejemplo 3.2, determinar el valor esperado de la información mues-
tral. En la figura 3.9 se muestra el árbol de decisiones para este ejemplo.
Al utilizar el criterio del valor esperado y mediante el análisis de sensibilidad se ha demostrado cómo la
información de probabilidad sobre estados de la naturaleza afecta los cálculos del valor esperado y por
lo tanto afecta la recomendación de decisión. A menudo quienes toman las decisiones disponen de es-
timaciones de probabilidad de los estados de la naturaleza que son los mejores valores de probabilidad
disponibles. Sin embargo para la mejor decisión posible, quien toma las decisiones pudiera desear tener
información adicional sobre los estados de la naturaleza. Esta nueva información se puede utilizar para
revisar o actualizar las probabilidades previas, de manera que la decisión final se base en estimaciones
de probabilidad más precisas para los estados de la naturaleza.
Regularmente la información adicional se obtiene por medio de experimentos diseñados para propor-
cionar información muestral sobre los estados de la naturaleza. En el siguiente ejercicio se analizará el
problema de decisión de la ampliación de la tortilleria Pimienta, mostrando cómo utilizar información
muestral para revisar las probabilidades de los estados de la naturaleza y cómo utilizar las probabilidades
revisadas para desarrollar una estrategia de decisión. Dado que P (E 1 ) = 0.25 y P (E 2 ) = 0.75 son estima-
ciones desarrolladas anteriormente a la obtención de cualquier información muestral, se conocen como
probabilidades previas de los estados de la naturaleza. La administración de Pimienta tiene la opción de
solicitar a un despacho de consultoría de investigación de mercados, le realice el estudio sobre el com-
portamiento de la demanda. De acuerdo a la experiencia del despacho en estudios similares han tenido
los siguientes resultados: En el resultado del informe de investigación de mercados se consideran dos
indicadores, los cuales pueden ser favorable (F ) o desfavorable (D). La barra vertical se utiliza para repre-
sentar la probabilidad condicional y se lee P (F |E 1 ) = probabilidad de que suceda el indicador F , dado el
estado de la naturaleza E 1 .
Resultado de la investigación
Favorable (F) Desfavorable (D)
Demanda baja (E 1 ) P (F |E 1 ) = 0.9 P (D|E 1 ) = 0.1
Demanda alta (E 2 ) P (F |E 2 ) = 0.2 P (D|E 2 ) = 0.8
El estudio de investigación de mercado proporciona nueva información que se puede combinar con las
probabilidades previas, y utilizando el teorema de Bayes, obtener estimaciones de probabilidades revi-
sadas que se les conoce como probabilidades posteriores. La figura 3.10 muestra el procedimiento para
el cálculo de las probabilidades posteriores.
Figura 3.10: Probabilidades posteriores con base en nueva información.
El árbol de decisión de la figura 3.9 presenta la secuencia lógica para los nodos de decisión y los nodos de
probabilidad. Empezando con el nodo de decisión 1 primeramente debe tomarse la decisión de realizar
el estudio de investigación de mercados. Si en dado caso se realiza este estudio, el nodo de probabilidad
2 representa tanto a la rama del informe favorable como a la rama del informe desfavorable, que no es-
tán bajo control y serán determinadas por las circunstancias. El nodo de decisión 3 representa la toma
de decisiones de realizar la ampliación con tres tortilladoras, dos tortilladoras o una tortilladora, si el
informe de investigación de mercados es favorable. El nodo 4 es un nodo de decisión que representa la
toma de decisiones de la mejor alternativa si el informe de investigación de mercados es desfavorable. El
nodo de decisión 5 representa la toma de decisiones de realizar la ampliación con tres tortilladoras, dos
tortilladoras o una tortilladora, si la investigación de mercados no se realiza. Los nodos del 6 al 14 son
de probabilidad que indican que las ramas del estado de la naturaleza de demanda baja o demanda alta
serán determinadas por las circunstancias.
Para desarrollar una estrategia de decisión utilizando el árbol de decisiones de la figura 3.9, se necesi-
tan probabilidades de las ramas de la información muestral P (F ) y P (D) y probabilidades de las ramas
de los estado de la naturaleza P (E 1 |F ), P (E 2 |F ), P (E 1 |D) y P (E 2 |D). Para calcular estas probabilidades se
utiliza el teorema de Bayes, mediante la siguiente fórmula:
P (E j )P (I k |E j )
P (E j |I k ) = Pn ¡ ¢ para el indicador k = 1, 2, . . . , m
j =1 P (E j )P (I k |E j )
donde I k es el indicador resultado de la investigación y la parte del denominador de la fórmula de Bayes

representa la probabilidad del indicador, que en este caso puede ser favorable (F ) o desfavorable (D). Los
cálculos se realizan de la siguiente manera:
Probabilidad de que el resultado del informe sea favorable (F ):
P (F ) = P (E 1 )P (F |E 1 ) + P (E 2 )P (F |E 2 ) = (0.25)(0.9) + (0.75)(0.2) = 0.375
Probabilidad de que el resultado del informe sea desfavorable (D):
P (D) = P (E 1 )P (D|E 1 ) + P (E 2 )P (D|E 2 ) = (0.25)(0.1) + (0.75)(0.8) = 0.625
Probabilidad del estado de la naturaleza (E 1 ) dado un informe favorable (F ):

P (E 1 )P (F |E 1 ) (0.25)(0.9)
P (E 1 |F ) = = = 0.6
0.375 0.375
Probabilidad del estado de la naturaleza (E 2 ) dado un informe favorable (F ):
P (E 2 )P (F |E 2 ) (0.75)(0.2)
P (E 2 |F ) = = = 0.4
0.375 0.375
Probabilidad del estado de la naturaleza (E 1 ) dado un informe desfavorable (D):
P (E 1 )P (D|E 1 ) (0.25)(0.1)
P (E 1 |D) = = = 0.04
0.625 0.625
Probabilidad del estado de la naturaleza (E 2 ) dado un informe desfavorable (D):
P (E 2 )P (D|E 2 ) (0.75)(0.8)
P (E 2 |D) = = = 0.96
0.625 0.625
Para mayor facilidad del lector, existe un método alternativo para realizar estos cálculos mediante una
tabla de probabilidades como se muestra en las tablas 3.19 y 3.20.
Estado de la Probabilidades Probabilidades Probabilidades Probabilidades

naturaleza previas condicionales conjuntas posteriores
Ej P (E j ) P (F |E j ) P (E j ∩ F ) P (E j |F )
E1 0.25 0.9 0.25 ∗ 0.9 = 0.225 0.225/0.375 = 0.6
E2 0.75 0.2 0.75 ∗ 0.2 = 0.150 0.150/0.375 = 0.4
P (F ) =⇒ 0.375 1.000
Tabla 3.19: Probabilidades posteriores, con base a un informe favorable F .
Estado de la Probabilidades Probabilidades Probabilidades Probabilidades

naturaleza previas condicionales conjuntas posteriores
Ej P (E j ) P (D|E j ) P (E j ∩ D) P (E j |D)
E1 0.25 0.1 0.25 ∗ 0.1 = 0.025 0.025/0.625 = 0.04
E2 0.75 0.8 0.75 ∗ 0.8 = 0.600 0.600/0.625 = 0.96
P (D) =⇒ 0.625 1.000
Tabla 3.20: Probabilidades posteriores, con base a un informe desfavorable D.
Para determinar la estrategia de decisión se resuelve el árbol de decisiones, trabajando de derecha a iz-
quierda hasta llegar al nodo uno, donde se habrá de tomar la primer decisión. En los nodos de probabili-
dad, se cálcula el valor esperado multiplicando el resultado al final de cada rama por las probabilidades
de rama correspondiente y en los nodos de decisión, se selecciona la rama que conduce al mejor valor
esperado.
Iniciar los cálculos a partir de los nodos finales del árbol, encontrando los valores esperados de los nodos
de probabilidad del 6 al 14.
V E (nodo 6) = 0.6*550,000 + 0.4*800,000 = 650,000

V E (nodo 7) = 0.6*635,000 + 0.4*760,000 = 685, 000
V E (nodo 8) = 0.6*650,000 + 0.4*700,000 = 670,000
V E (nodo 9) = 0.04*550,000 + 0.96*800,000 = 790, 000
V E (nodo 10) = 0.04*635,000 + 0.96*760,000 = 755,000
V E (nodo 11) = 0.04*650,000 + 0.96*700,000 = 698,000
V E (nodo 12) = 0.25*550,000 + 0.75*800,000 = 737, 500
V E (nodo 13) = 0.25*635,000 + 0.75*760,000 = 728,750
V E (nodo 14) = 0.25*650,000 + 0.75*700,000 = 687,500
Para los nodos de decisión 3, 4 y 5, se selecciona la rama de la alternativa de decisión que conduce al
mayor valor esperado.
Para en el nodo 3 seleccionar el valor esperado:


V E (nodo 6) = 650, 000

Máximo de: V E (nodo 7) = 685, 000 = 685, 000


V E (nodo 8) = 670, 000
Que corresponde a la rama de dos tortilladoras.
Para el nodo 4 seleccionar el valor esperado:


 V E (nodo 9) = 790, 000

Máximo de: V E (nodo 10) = 755, 000 = 790, 000


V E (nodo 11) = 698, 000
Que corresponde a la rama de tres tortilladoras.
Para el nodo 5 seleccionar el valor esperado:


V E (nodo 12) = 737, 500

Máximo de: V E (nodo 13) = 728, 750 = 737, 500


V E (nodo 14) = 687, 500
Que corresponde a la rama de tres tortilladoras. En la figura 3.11 se muestra el árbol de decisiones después
de haber resuelto y eliminados los nodos del 6 al 14 y elegido las mejores decisiones para los nodos 3, 4 y
5.
Figura 3.11: Árbol de decisiones después de elegir las mejores decisiones en los nodos 3, 4 y 5.
El valor esperado del nodo de decisión 2, se calcula de la siguiente manera:
V E (nodo 2) = 0.375 ∗ V E (nodo 3) + 0.625 ∗ V E (nodo 4)
V E (nodo 2) = 0.375 ∗ 685, 000 + 0.625 ∗ 790, 000 = 750, 625

Este cálculo reduce a un árbol de decisión que tiene sólo dos ramas de decisión que divergen del nodo
1, como se muestra en la figura 3.12, Por último puede tomarse la decisión en el nodo 1, seleccionando
el mejor valor esperado de los nodos 2 y 5. Esta acción conduce a la alternativa de decisión de realizar el
estudio de investigación de mercados, lo que proporciona un valor esperado de $750,625.
Figura 3.12: Árbol de decisiones para elegir la decisión final.
Valor esperado de la información muestral (V E I M ).
Con el estudio de investigación de mercados que se intenta realizar, la decisión recomendada es au-
mentar la capacidad de producción con dos tortilladoras si el estudio es favorable, o bien aumentar la
capacidad de producción con tres tortilladoras si el estudio es desfavorable. Desde luego que solicitar un
estudio de mercado tiene un costo. Entonces el (V E I M ) es un límite superior en la cantidad que el to-
mador de decisiones estaría dispuesto a pagar por esta información. Este valor se obtiene de la siguiente
forma:
V E I M = V Ec I M − V E sI M
donde:
V E I M = valor esperado de la información muestral
V Ec I M = valor esperado con información muestral

V E sI M = valor esperado sin información muestral
Para el ejercicio se tiene que:

V E I M = 750, 625 − 737, 500 = 13, 125
Esto significa que el valor esperado para el Sr. Gómez aumentará en $13,125, si se lleva a cabo el estudio
de investigación de mercados, o bien $13,125 es la cantidad máxima que se puede pagar por la informa-
ción adicional.
Eficiencia de la información muestral
En la sección 3.3 se obtuvo el valor esperado de la información perfecta V E I P = $25, 000 y dado que
el V E I P es una cota superior para la cantidad que el tomador de decisiones estaría dispuesto a pagar por
cualquier información perfecta, el V E I M estará dentro del intervalo V E sI M ≤ V E I M ≤ V E I P . Entonces
es posible calcular la eficiencia para expresar el valor de la información de la investigación como sigue
V EIM
Eficiencia de la información muestral (E ) =
V EIP
Para el ejemplo se tiene que:
13, 125
E= = 0.525 = 52.5 %
25, 000
La información del estudio de investigación de mercados es 52.5 % tan eficiente como la información
perfecta. El valor de E , mientras más cerca de uno se encuentre, más util serán los resultados de la inves-
tigacción de mercados.
Con la finalidad de analizar para diferentes probabilidades condicionales, se realiza una plantilla en Ex-
cel como se muestra en la figura 3.13. En la celda I 13 capturar la probabilidad condicional P (F |E 1 ) y en la
celda I 14 capturar la probabilidad condicional P (F |E 2 ) y por diferencia Excel calcula las probabilidades
condicionales de un resultado desfavorable, dado ambos estados de la naturaleza. En la parte izquier-
da de la figura 3.13 se utiliza el teorema de Bayes mediante la inversión del árbol de probabilidades.
Esta plantilla permite observar como conforme las probabilidades de una correcta información mues-
tral aumentan, el V Ec I M se aproxima al V Ec I P . Cuando P (F |E 1 ) = 1 y P (D|E 2 ) = 1, así como cuando
P (D|E 1 ) = 1 y P (F |E 2 ) = 1, ambos valores esperados muestral y perfecta son iguales.
También en esta plantilla, se elabora el árbol de decisiones, que permite ver con mayor detalle el cálculo
de los valores esperados, como se muestra en la figura 3.14.
Ejemplo 3.8 Con los datos del ejemplo 3.3, calcular el valor esperado y el porcentaje eficiencia de la
información muestral. Si el gerente de la constructora está dispuesto a pagar por información adicio-
nal y la empresa consultora en estudios similares ha obtenido las probabilidades condicionales como se
muestran en la tabla 3.21.
Figura 3.13: Plantilla de Excel para diferentes probabilidades condicionales.
Figura 3.14: Árbol de decisiones en la plantilla de Excel.
Procedimiento para calcular las probabilidades posteriores, por medio de un árbol de probabilidad (apli-
cación del teorema de Bayes).
Predicción
Débil (D) Promedio (P ) Fuerte (F )
Baja (E 1 ) 0.6 0.3 0.1
Media (E 2 ) 0.1 0.7 0.2
Alta (E 3 ) 0.1 0.1 0.8
Tabla 3.21: Probabilidades condicionales del ejemplo 3.8.
1. En el árbol inicial de la figura 3.15 y en las ramas principales se anotan los estados de la naturaleza
con las probabilidades previas, en las ramas secundarias se anotan las probabilidades condiciona-
les de un estudio de investigación, dado cada estado de la naturaleza.
2. Se calculan las probabilidades conjuntas, multiplicando las probabilidades previas de las ramas
principales por las probabilidades condicionales de las ramas secundarias.
3. En el árbol invertido de la figura 3.15, se anotan las probabilidades conjuntas, de acuerdo al orden
de la multiplicación de las probabilidades del indicador por las probabilidades posteriores. Luego
se realiza la suma de las probabilidades conjuntas para obtener las probabilidades del indicador y
se anotan en las ramas principales del árbol invertido.
4. Se calculan las probabilidades posteriores, dividiendo las probabilidades conjuntas entre las pro-
babilidades del indicador.
Figura 3.15: Probabilidades posteriores, a traves de invertir el árbol.
Para este ejemplo para mayor rapidez en los cálculos, los valores esperados se indican en el árbol de la
figura 3.16.
Cálculo del valor esperado de la información perfecta.
V E sI P = 42, este dato se obtiene del nodo de decisión 6 de la figura 3.16
V Ec I P = 0.2 ∗ 15 + 0.3 ∗ 35 + 0.5 ∗ 70 = $48.5 millones
V E I P = 48.5 − 42 = 6.5 millones

Figura 3.16: Árbol de decisiones para el ejemplo 3.8.
De la figura 3.16, si se realiza el estudio de investigación de mercados y el resultado arroja que la predic-
ción es:
1. Débil, con una probabilidad de 20 %, la decisión recomendada es la alternativa dos, con un valor
esperado de $21.25 millones.
2. Media, con una probabilidad de 32 %, la decisión recomendada es la alternativa dos, con un valor
3.8. USO DE SOFTWARE 125
3. Alta, con una probabilidad de 48 %, la decisión recomendada es la alternativa tres, con un valor
El valor esperado con información muestral es de $43.8 millones, mientras que el valor esperado sin
información muestral es de $42 millones, por lo tanto el valor esperado de la información muestral es de:
43.8 − 42 = $1.8 millones
Y el porcentaje de eficiencia de la información muestral es de 1.8/6.5 = 27.69 %
3.8. USO DE SOFTWARE

Como en los dos capítulos anteriores se presenta el software denominado IOpeTec, que permite resolver
la mayoría de los procedimientos presentados en este capítulo, en donde los datos iniciales de captura
del problema se realizan con controles dentro de una hoja de cálculo y los datos relacionados con pagos,
probabilidades previas y probabilidades condicionales se realizan en rangos de celdas. Resolver el ejem-
plo 3.8.
Los datos iniciales de captura está compuesto por los siguientes controles:
1. Número de alternativas de decisión: permite capturar entre 2 y 20 alternativas.

2. Número de estados de la naturaleza: permite capturar entre 2 y 20 estados.
3. Estando habilitada la casilla de verificación con información adicional, permite la captura del nú-
mero de indicadores, que podrán ser entre 2 y 10.
4. Para el criterio de Hurwicz, permite la captura del valor de α.
5. Mediante dos botones de opción, se podrán resolver problemas de maximización o de minimiza-
ción.
Después de haber capturado los datos iniciales, presionar el botón de comando Preparar captura de da-
tos para realizar la captura de los pagos, probabilidades previas y si existen probabilidades condicionales.
Después de haber capturado los datos anteriores, se podrá realizar el resumen de decisiones o hacer
el árbol de decisiones, presionando el botón de comando correspondiente (Ver figura 3.17)
Los datos de salida que se obtienen, depende si el problema es de maximización o de minimización, co-
mo si indica a continuacón:
Si el problema es de maximización, se obtiene un Resumen de decisiones (ver figura 3.18), que inclu-
ye los criterios de decisión bajo incertidumbre, el criterio del valor esperado y los valores esperados con
información perfecta e información muestral. De igual manera se realiza el Árbol de decisiones (ver fi-
gura 3.19) con o sin información muestral.
Si el problema es de minimización, se obtiene un Resumen de decisiones, que incluye los criterios de

decisión bajo incertidumbre y el criterio del valor esperado. De igual manera se realiza el Árbol de deci-
siones sin información muestral.
Figura 3.17: Pantalla de captura de datos.
Figura 3.18: Pantalla de resumen de decisiones.
3.9. EJERCICIOS POR RESOLVER

1. Suponer que un tomador de decisiones que se enfrenta con cuatro alternativas de decisión y cuatro
estados de la naturaleza elabora la tabla de resultados para las utilidades que puede esperar (tabla
3.22).
E1 E2 E3 E4
D1 28 18 20 10
D2 22 20 16 14
D3 18 21 22 24
D4 16 23 24 26
Tabla 3.22: Tabla de rendimientos del ejercicio por resolver No. 1.

3.9. EJERCICIOS POR RESOLVER 127
Figura 3.19: Pantalla del árbol de decisiones.
a) Si el tomador de decisiones no sabe acerca de las probabilidades de los cuatro estados de

la naturaleza, ¿cuál es la decisión recomendada usando los crietrios optimista, Hurwicz con
α = 0.6 y de minimax de arrepentimiento?
b) Suponer que la tabla de resultados es de costos en lugar de ganancias. ¿Cuál es la decisión
recomendada usando los criterios optimista, Hurwicz con α = 0.6 y de minimax de arrepen-
timiento?
Solución:
Inciso Criterio Decisión Valor

a) Optimista D1 28
Hurwicz D4 22
Minimax de arrepentimiento D3 10
Inciso Criterio Decisión Valor

b) Optimista D1 10
Hurwicz D1 17.2
Minimax de arrepentimiento D2 6
2. Cierta empresa se enfrenta a una decisión de compra para un producto estacional, para el cual la
demanda puede ser alta, media o baja. El comprador puede ordenar 1, 2 o 3 lotes del producto antes
que inicie la temporada, pero posteriormente no puede reordenar. Las proyecciones de utilidades
se muestran en la tabla 3.23.
Si se solicita realizar una encuesta para ayudar a evaluar la demanda, obteniéndose las probabili-
dades condicionales para cada estado de la naturaleza en la tabla 3.24:
a) Mediante en enfoque mínimax de arrepentimiento, seleccionar la mejor alternativa.

Alta (E 1 ) Media (E 2 ) Baja (E 3 )
Pedido de 1 lote, D 1 120 110 100
Pedido de 2 lotes, D 2 160 150 70
Pedido de 3 lotes, D 3 200 140 30
Predicción
Excelente (E) Buena (B) Regular (R)
Alta (E 1 ) 0.6 0.3 0.1
Media (E 2 ) 0.2 0.6 0.2
Baja (E 3 ) 0.3 0.2 0.5
Tabla 3.24: Probabilidades condicionales del ejercicio por resolver No. 2.
b) Calcular el valor esperado de la información perfecta.

c) Por medio del árbol de decisiones, calcular el valor esperado de la información muestral.
d) Porcentaje de eficiencia de la información muestral.
Solución:
a) La alternativa de decisión recomendada es D 2 , con un valor de 40.

b) V E I P = 155-133.5 = 21.5
c) V E I M = 138.1-133.5 = 4.6
d) E = 21.4 %
3. Suponga que quien debe tomar la decisión frente a 3 alternativas de decisión y cuatro estados de
la naturaleza desarrolla la tabla 3.25.
(E 1 ) (E 2 ) (E 3 ) (E 4 )
D1 700 650 500 600
D2 660 600 450 400
D3 500 600 750 650
Probalidades previas 0.25 0.15 0.3 0.3
Si se solicita realizar una encuesta para ayudar a evaluar la demanda, obteniéndose las probabili-
dades condicionales para cada estado de la naturaleza, como se muestra en la tabla 3.26.
a) Por medio del criterio de Hurwicz y con α = 0.4, seleccionar la mejor alternativa.
b) Calcular el valor esperado de la información perfecta.
c) Por medio del árbol de decisiones, calcular el valor esperado de la información muestral.
d) Porcentaje de eficiencia de la información muestral.
3.9. EJERCICIOS POR RESOLVER 129
Predicción
Excelente (E) Buena (B) Regular (R)
E1 0.75 0.12 0.13
E2 0.25 0.55 0.20
E3 0.22 0.23 0.55
E4 0.30 0.55 0.15
Solución:
a) La alternativa de decisión recomendada es D 3 , con un valor de 600.

b) V E I P = 692.5-635 = 57.5
c) V E I M = 653.375-635 = 18.375
d) E = 31.96 %
4. El dueño de un rancho con 100 hectáreas de tierra cultivable, debe decidir entre 4 cultivos para la
proxima temporada. Para cada cultivo ha obtenido las siguientes estimaciones en miles de pesos,
sobre la cosecha y la utilidad esperada, como se muestra en la tabla 3.27.
Estado de la naturaleza (clima)

Seco (E 1 ) Moderado (E 2 ) Húmedo (E 3 )
Cultivo 1 (D 1 ) 2500 3800 5000
Cultivo 2 (D 2 ) 2000 2200 3300
Cultivo 3 (D 3 ) 3400 2800 2900
Cultivo 4 (D 4 ) 4500 3500 4000
Si se solicita realizar un estudio de investigación sobre el clima, obteniéndose las probabilidades

condicionales para cada estado de la naturaleza, como se muestra en la tabla 3.28
Predicción
Bueno (B) Regular (R) Malo (M)
Seco (E 1 ) 0.7 0.15 0.15
Moderado (E 2 ) 0.2 0.6 0.2
Húmedo (E 3 ) 0.25 0.25 0.5
a) Calcular el valor esperado de la información perfecta.

b) Por medio del árbol de decisiones, calcular el valor esperado de la información muestral.
c) Porcentaje de eficiencia de la información muestral.
Solución:
a) V E I P = 4275-3875 = 400
b) V E I M = 4032.5-3875 = 157.5
c) E = 39.38 %
5. La demanda estimada de cierta empresa para el mes siguiente del producto que fabrica es 1, 2, 3 o 4,
con probabilidades previas de 0.3, 0.3, 0.2, y 0.2, respectivamente. Si un producto que es fabricado
un mes se vende ese mismo mes el precio de venta será de $700, mientras que si ha de venderse el
mes siguiente el precio de venta será de $450. Los costos unitarios de producción son de $500. Con
estos datos se forma la matriz de rendimientos, como se muestra en la tabla 3.29.
Vender 1 Vender 2 Vender 3 Vender 4
Fabricar 1 200 200 200 200
Fabricar 2 150 400 400 400
Fabricar 3 100 350 600 600
Fabricar 4 50 300 550 800
Si se solicita realizar un estudio de investigación sobre el número de productos a vender, obtenién-

dose las probabilidades condicionales para el nivel de ventas, como se muestra en la tabla 3.30.
Predicción
Alto Medio Bajo
Vender 1 0.8 0.1 0.1
Vender 2 0.2 0.8 0
Vender 3 0.3 0.1 0.6
Vender 3 0 0.4 0.6
a) Calcular el valor esperado de la información perfecta.

b) Por medio del árbol de decisiones, calcular el valor esperado de la información muestral.
c) Porcentaje de eficiencia de la información muestral.
Solución:
a) V E I P = 460-375 = 85
b) V E I M = 396-375 = 21
c) E = 24.71 %

TomaDeDecisiones II

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

TomaDeDecisiones II

Cargado por

Copyright:

Formatos disponibles

Capítulo 3

3.1. CARACTERÍSTICAS GENERALES

En los modelos de la teoría de decisiones, la pieza fundamental de información es la tabla de retribu-

Alternativa Estado de la naturaleza

Tabla 3.1: Tabla de rendimientos o pagos.

E 1 , E 2 , . . ., E n , representa el estado de la naturaleza que haya sucedido.

3.2. CRITERIOS DE DECISIÓN DETERMINÍSTICOS Y PROBABILÍSTICOS

3.2.1. Decisiones bajo certidumbre

3.2.2. Decisiones bajo incertidumbre

Demanda (piezas) Probabilidad

Tabla 3.2: Demanda en empaques de medio kilo.

La tabla de rendimientos resultante se muestra en la tabla 3.3

Decisión Estado de la naturaleza (demanda)

Tabla 3.3: Tabla de rendimientos.

Decisión Estado de la naturaleza (demanda) Rendimiento

Tabla 3.4: Criterio optimista.

Criterio conservador o pesimista:

Decisión Estado de la naturaleza (demanda) Rendimiento

Tabla 3.5: Criterio pesimista.

Criterio minimax de arrepentimiento:

Es un criterio para la toma de decisiones que no es ni totalmente optimista ni totalmente conservador.

Decisión Estado de la naturaleza (demanda) Máximo

Tabla 3.6: Criterio minimax de arrepentimiento.

El resultado de este criterio se muestra en la tabla 3.7.

Decisión Estado de la naturaleza (demanda)

Tabla 3.7: Criterio de Laplace.

El resultado de este criterio con α = 0.5 se muestra en la tabla 3.8.

Decisión Estado de la naturaleza (demanda) utilidad utilidad utilidad

Tabla 3.8: Criterio de Hurwicz.

En la tabla 3.9 se obtiene la decisión recomendada para diferentes valores de α.

Tabla 3.9: Criterio de Hurwicz para diferentes valores de α.

3.2.3. Decisiones bajo riesgo

n = número de estados de la naturaleza.

El valor esperado(V E ) de la alternativa de decisión D i se calcula con la fórmula:

V E (D 1 ) = 0.15 ∗ 18 + 0.2 ∗ 16.5 + 0.25 ∗ 15 + 0.25 ∗ 13.5 + 0.15 ∗ 12 = 14.925

Debido a que 19.925, es el máximo valor esperado, la alternativa de decisión recomendada es D 4 = 12

Criterio Decisión recomendada

Tabla 3.10: Resumen de las decisiones de cada criterio.

seleccionado en el análisis de decisiones.

Tabla 3.11: Tabla de beneficios adicionales.

Tabla 3.12: Tabla de rendimientos del ejercicio 3.2.

Cálculo del Valor Esperado para cada alternativa de decisión.

V E (D 1 ) = 0.25 ∗ 550, 000 + 0.75 ∗ 800, 000 = 737, 500

V E (D 3 ) = 0.25 ∗ 650, 000 + 0.75 ∗ 700, 000 = 687, 500

3.3. VALOR ESPERADO DE LA INFORMACIÓN PERFECTA

Si ocurre E 1 , seleccionar D 3 y recibe un rendimiento de $650,000. Si ocurre E 2 , seleccionar D 1 y reci-

V E I P = 762, 500 − 737, 500 = 25, 000

3.4. ÁRBOLES DE DECISIÓN

Figura 3.1: Árbol de decisión para el ejemplo 3.2

Estado de la naturaleza (demanda)

Tabla 3.13: Tabla de rendimientos del ejemplo 3.3.

Figura 3.2: Árbol de decisión para el ejemplo 3.3

La solución se muestra en la figura 3.2, en donde la selección recomendada es construir un desarrollo

3.5. TEORÍA DE UTILIDAD

Cálculo del Valor Esperado para cada alternativa de decisión:

Crear y utilizar una función de utilidad U (x).

Figura 3.3: Juego a la loteria para la evaluación de la utilidad

Para el pago de $40, p = 10+40

Tabla 3.14: Valor de p para tomadores de decisión neutrales al riesgo.

U (pago) = pU (70) + (1 − p)U (−10)

Pago Indiferencia p Utilidad (100p)

Tabla 3.15: Utilidades asociadas a una persona adversa al riesgo.

U E (D 1 ) = 0.2 ∗ 50 + 0.3 ∗ 65 + 0.5 ∗ 75 = 67.0

V E (nodo 6) = 0.6550,000 + 0.4800,000 = 650,000